[发明专利]一种建模方法、装置、电子设备和可读介质

说明书

本申请提供了一种建模方法、装置、电子设备和可读介质，属于模型构建技术领域。方法包括：将初始化种群的信息和协同器发送的目标标识输入生成器中，得到生成器输出的当前种群的信息；将当前种群的信息和第二数据方提供的第二数据发送至协同器，得到协同器构建的多个第一模型，并确定第一模型的样本个体的适应度值；在第一模型不满足预设停止条件的情况下，根据适应度值确定目标个体的目标标识，其中，目标个体为被选取的有效个体；将目标标识反馈至生成器，直至第一模型满足预设停止条件，则停止反馈操作并将第一模型作为第二模型。本申请降低了模型构建的复杂度。

技术领域

本申请涉及模型构建技术领域，尤其涉及一种建模方法、装置、电子设备和可读介质。

背景技术

随着机器学习的发展，越来越多的机器学习技术被应用于各行各业，数据的数量和质量往往决定了机器学习模型效果的上限。但是随着人们对于数据安全和隐私保护越来越重视，形成数据孤岛现象，在这样的场景下，联邦学习应运而生，它可以让参与方在不共享数据的基础上联合训练，解决数据孤岛的难题。

在联邦学习的模型构建过程中，在节点分裂时，业务方和数据提供方需要同步样本空间和最优分裂特征等信息，即各参与方之间通信信息包含主键信息、特征编号、模型梯度信息等敏感内容，为了提高数据安全性，需要对传输的数据进行加密，这样就提高了模型构建的复杂度。

发明内容

本申请实施例的目的在于提供一种建模方法、装置、电子设备和可读介质，以解决模型构建复杂度高的问题。具体技术方案如下：

第一方面，提供了一种建模方法，所述方法包括：

将初始化种群的信息和协同器发送的目标标识输入生成器中，得到所述生成器输出的当前种群的信息，其中，所述当前种群中包括多个样本个体，每个所述样本个体为包含第一数据方提供的第一数据的一个人工智能模型；

将所述当前种群的信息和第二数据方提供的第二数据发送至所述协同器，得到所述协同器构建的多个第一模型，并确定所述第一模型的样本个体的适应度值，所述适应度值用于指示所述第一模型的样本个体的有效概率；

在所述第一模型不满足预设停止条件的情况下，根据所述适应度值确定目标个体的目标标识；

将所述目标标识反馈至所述生成器，直至所述第一模型满足预设停止条件，则停止所述反馈操作并将得到的第一模型作为第二模型。

可选地，所述初始化种群中包括多个初始化个体，每个所述初始化个体具有对应的标识，所述得到所述生成器输出的当前种群的信息包括：

从所述多个初始化个体中选取出标识为所述目标标识的有效个体；

将多个所述有效个体利用遗传操作算子进行处理；

将所述第一数据输入进行遗传处理后的每个所述有效个体中，得到多个样本个体，并利用所述多个样本个体构成所述当前种群；

将所述当前种群的信息从所述生成器中输出。

可选地，所述得到所述协同器构建的多个第一模型包括：将所述第二数据输入每个所述样本个体中，得到多个第一模型，其中，每个所述第一模型指示含有所述第一数据和所述第二数据的一个中间个体；

所述确定所述第一模型的样本个体的适应度值包括：确定所述中间个体的适应度值。

可选地，所述目标个体包括第一个体和第二个体，所述根据所述适应度值确定目标个体的目标标识包括：

采用遗传算法确定所述多个中间个体中是否存在第一个体，其中，所述第一个体为具有有效概率大于预设概率阈值的个体，所述遗传算法中运用到所述适应度值；

在确定所述多个中间个体中存在第一个体的情况下，确定所述第一个体的标识为所述目标标识；